Контрольная работа. применение искусственного интеллекта и машинного обучения в упра. Переход от искусственного интеллекта к машинному обучению
 Скачать 38.5 Kb.
|
|
Переход от искусственного интеллекта к машинному обучению: В промышленности всё в значительной степени подчиняется определенным стандартам и вполне прозрачной логике. Для начала нужно понимать, что в большинстве случаев под искусственным интеллектом специалисты дискретного и непрерывного производства понимают машинное обучение — класс методов для решения задач на основании прецедентов и для поиска закономерностей по историческим данным производственных систем. И в современном мире за выработку рекомендаций по оптимальным технологическим режимам и прогнозирование ресурса не должен отвечать человек — сторонники цифровизации рекомендуют прерогативу решения этих задач передать интеллектуальным системам. Машинное обучение в промышленности: сферы применения Какие актуальные задачи можно решить на этапах разработки, производства и эксплуатации с помощью машинного обучения? Вопервых, те из них, с которыми по тем или иным причинам не может справиться человек. Это может быть работа в труднодоступных местах, на вредном химическом производстве, работа в условиях вечной мерзлоты или повышенной радиации. Вовторых, задачи, для решения которых «натуральный интеллект» применим, но малоэффективен: предсказание критически важных неисправностей, предотвращение внезапного выхода оборудования из строя, техобслуживание по состоянию, прогнозирование остаточного ресурса оборудования. Пофакту, это те направления, где человек может выполнять работу, но в условиях огромного количества информации ее реализация становится почти невозможной. Более того, человек не всегда способен грамотно сортировать данные и разрешать противоречия. А машина может выполнять эти задачи по заранее определенным алгоритмам. Получить необходимый объем данных в промышленности можно только при комплексном подходе: комбинации системной модели на основе физических процессов и алгоритмов машинного обучения. Рассмотрим несколько примеров. Диагностика оборудования в процессе эксплуатации Для отраслей, которые традиционно занимаются эксплуатацией оборудования (мельниц, насосов, электродвигателей, теплообменников), важно иметь постоянную обратную связь от работающего изделия для оценки поведения объекта в режиме реального времени, прогноза возможных нештатных ситуаций, предотвращения внезапного выхода оборудования из строя. В этих случаях необходим анализ большого объема данных для извлечения информации из систематически собираемых сведений. Но в промышленности зачастую не хватает полученной информации от реально работающих объектов, поэтому базу данных нужно дополнять результатами натурных и виртуальных экспериментов, используя технологии инженерного анализа на основе численного моделирования, проводя регулярную калибровку для повышения качества прогноза. В результате мы получаем модель на основе исторических данных, дополненных результатами виртуальных экспериментов, чтобы информации было достаточно для качественного обучения. Это помогает объяснить выявленные в ходе анализа тенденции, а также предсказать появление новых аспектов и даже провести классификацию или сегментирование данных на основе шаблонов поведения, обнаружить которые с помощью традиционных «человеческих» способов практически невозможно. В этом случае могут применяться самые разные алгоритмы машинного обучения. Например, в случае технической диагностики оборудования, когда достаточно сообщить только состояние объекта (исправен/неисправен), можно применить метод обучения с учителем (бинарная классификация: объект исправен/объект неисправен).  Пример алгоритма машинного обучения: I — выявленная группа, где объекты неисправны; II — группа, в которых не обнаружены неисправности Оптимизация режимов работы оборудования и технологических процессов От правильно выбранных режимов эксплуатации изделия зависит сокращение внеплановых простоев и увеличение срока службы оборудования и, как следствие, повышение качества продукции и снижение издержек предприятия в целом. Помочь оператору может система, которая подбирает наиболее оптимальные сценарии технологических процессов и прогнозирует отклонения в работе оборудования на основе статистических моделей и инженерного анализа. Здесь можно использовать алгоритм машинного обучения, основанный на построении дерева принятия решений, где для каждого уровня определяется переменная, порождающая меньше всего энтропии. Алгоритм разворачивает комбинаторное дерево и обходит его в поисках оптимального варианта. На первом этапе создается дерево, содержащее все возможные планы. Далее с помощью интеллектуальных алгоритмов последовательно отсекаются те ветви, которым соответствуют нереальные планы или планы, нарушающие решения или ведущие к неоптимальному решению. Также для задач оптимизации в промышленности можно применить метод стохастического градиентного спуска SGD (Stochastic Gradient Descent) для минимизации функции, делая небольшие шаги в сторону наискорейшего убывания функции. Обслуживание по состоянию: предиктивный ТОиР Переход на обслуживание по состоянию позволяет увеличить срок службы оборудования и его межремонтного периода, а также выявлять дефекты за счет данных, поставляемых в режиме реального времени. Информация о текущем состоянии узлов и агрегатов и прогноз остаточного ресурса дает возможность сформировать рекомендации по обслуживанию и ремонту оборудования, обеспечить своевременную поставку запчастей. Можно определить заранее, что с агрегатом чтото не так, и принять решение о превентивном техническом обслуживании. Здесь могут, в том числе, использоваться алгоритмы внутреннего моделирования: любая сложная адаптивная система способна создавать внутренние модели окружающей среды, позволяющие предсказывать будущие события и изменения для их успешной адаптации. Также подойдут агрегированные методы машинного обучения для компенсации недостатков одних алгоритмов с помощью других (байесовский классификатор, метод опорных векторов, деревья решений). Визуальное распознавание дефектов: компьютерное зрение Машинное зрение — это набор технологий, позволяющий компьютерам не просто обрабатывать изображения как массив данных, а воспринимать их и интерпретировать подобным человеку образом. Всё популярнее оно становится в промышленности, поскольку такие методы позволяют автоматизировать и существенно улучшить процесс, за которым нужен визуальный контроль. В качестве примера можно привести движущийся конвейер с рудой, где необходимо максимально быстро и точно обнаружить визуальные дефекты при контроле качества продукции. Основная задача состоит в локализации и классификации дефектов с помощью выбранных алгоритмов. Один из ключевых методов в данном случае — глубокое обучение. Для тренировки «глубоких» сетей необходимы корректно сформированные обучающие выборки достаточно больших размеров, качество которых определяется полнотой и непротиворечивостью входных данных. При этом обеспечивается реализация воспроизводимого процесса, позволяющего на основе общих представлений о качестве продукции получать устойчивые, пригодные для принятия решения о наличии дефектов выходные данные. Непрерывное производство Например, при выплавке стали необходимо накопить историю, чтобы предсказывать выходные характеристики по текущим условиям плавки. Или с помощью машинного обучения определить первоначальный состав сплава и параметры плавки, чтобы добиться заданного качества. Это позволит сократить расходы сырья, оптимизировать состав элементов, предсказывать качество выходной продукции, оптимально управлять процессом выплавки. При этом нужно понимать, что не может быть двух одинаковых плавок стали. Задача машинного обучения — анализировать огромное количество параметров, чтобы оптимизировать состав и количество входных элементов и параметров эксплуатации для получения качества согласно техническим требованиям. Здесь так же, как и в случае визуального распознавания дефектов, применяются нейронные сети. Машине дается достаточно большой набор прецедентов (объектов, ситуаций), с каждым из которых связаны определенные варианты развития событий. В полученной информации машина находит закономерности, благодаря чему в дальнейшем получает возможность предсказывать последствия тех или иных событий, оценивать различные гипотетические сценарии и принимать оптимальные решения после анализа альтернативных вариантов. Нейронная сеть не должна требовать ручного ввода правил — после обучения она ведет себя подобно эксперту в своей предметной области. В то же время интеллектуальным системам необходимы средства контроля знаний, которые могут разрешать возможные противоречия, устранять избыточность и обобщать понятия. Для этого, в любом случае, понадобится помощь человека. Гибкое управление энергопотреблением: повышение энергоэффективности Технологии машинного обучения позволяют снизить время работы оборудования в режиме повышенной интенсивности, сократить излишки складских запасов, своевременно прогнозировать износ оборудования и остаточный ресурс, уменьшить количество отходов, а также снизить издержи потребления энергии за счет учета состояния внешней среды. Всё чаще для эффективного управления энергопотреблением применяются мягкие вычисления — это совокупность средств и методов, которые позволяют решать задачи высокой сложности путем обработки неполной и неточной информации: эволюционные алгоритмы, самоорганизующиеся растущие нейронные сети, нечеткая логика. Это те задачи, для которых эксперты не смогли найти оптимального решения. Мягкие вычисления позволяют быстро найти неоптимальное, но достаточно хорошее решение задач такого типа. Заключение Применение статистических методов в производстве и на этапе эксплуатации — это тупиковая ветвь развития. Симбиоз алгоритмов машинного обучения и численного моделирования — это полностью обусловленное решение. Да, есть риски, но их можно нивелировать с помощью сильной отраслевой экспертизы и лучших в классе технологий. Система только вырабатывает рекомендации — принятие решения все равно остается за человеком. |